知识管理的重要性无需多言，但很多管理者认为这是一件“不可能完成的任务”。也的确有不少“惨烈”的例子，刚开始时轰轰烈烈，逐渐偃旗息鼓，最后费时费力上马的知识管理系统，只做员工闲来翻翻之用。KM CENTER经过调研后，在其《中国知识管理现状、问题和趋势：2012中国知识管理实施调研结果分析》中给出了右图的一组数据。

    既然知识对于员工开展工作如此重要，知识管理平台的使用却为何如此低效呢？答案其实很简单：没用！再进一步分析，为什么没用吗？大致有2个原因：其一是知识库里存的“知识”，不是业务人员开展工作真正需要的知识；其二是提供的知识管理和应用手段不智能，找一条知识很麻烦。

    实现任何人（anyone）在任何时间（anytime）在任何地方（anywhere）访问所需要的任何内容（anything）是信息社会希望实现的4A目标，随着WEB、移动通讯等技术的发展，任何时间、任何地点想必已不再是难题，而任何人“需要”的内容，即提供针对性、个性化内容的问题，仍然是企业以及知识服务提供商需要解决的问题。

    面对以上难题，个性化知识服务应运而生。个性化服务的实现主要通过直接与用户交互或跟踪用户的行为来获取用户的特征，然后利用用户的特征和推理规则来对提供给用户的信息/知识进行过滤，将过滤后的信息转化成用户终端可以接受的方式。目前个性化服务主要应用在网络辅助浏览、增强搜索、提供个性化的信息/知识服务等方面。

    个性化服务离不开相关技术的支撑。概括来说，个性化知识推荐技术大致包括以下四种：一是基于内容的推荐。它首先分析项目的内容，根据用户评价过的项目建立用户的兴趣模型，即用户描述文件。利用资源和用户兴趣的相似性来过滤信息；二是协同过滤推荐，这也是应用最成熟的个性化推荐技术，它是根据其他用户的偏好信息产生推荐。通过分析用户评价信息（评分）把有相似需求或品味的用户联系起来，用户之间共享对项目的观点和评价，这样就可以更好地做出选择。三是其它推荐技术，例如通过数据挖掘分析关联规则进行推荐；四是混合推荐，即综合两种或两种以上的推荐技术来取得更好的推荐效果。

    推荐技术及其系统的应用越来越广泛，特别是在电子商务领域。以亚马逊为例，这家零售巨头的推荐系统推荐的基础是一系列基本元素：用户过去购买过哪些商品；他们的虚拟购物车里有什么；哪些商品被他们评价或“赞”过；其他用户浏览及购买了哪些东西。亚马逊把这套自主研发的算法称为“从项目到项目的协同过滤算法”。依靠这套算法，亚马逊向回头客们提供了深度定制的浏览体验。数码爱好者们会发现亚马逊上满是新潮电子产品的推荐，而新妈妈们在相同的位置看到的却是婴幼儿产品。 据统计，亚马逊推荐系统每秒卖出的商品达72.9件，推荐的转化率高达60%，它清楚消费者的喜好，可以预测出消费者的需求进行推荐形成购买。

    相信，随着个性化推荐技术的日益成熟，其在企业内部知识管理与应用中也将大有作为，知识的高效管理和应用不再是“不可能完成的任务”。

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。